XiaoMi-AI文件搜索系统
World File Search System放射学
放射学中基于图像的生成人工智能
生成式人工智能 (AI) 已应用于图像，用于增强图像质量、域迁移和增强用于各种医疗领域的 AI 建模的训练数据。图像生成 AI 可以生成大量未注释的图像数据，从而促进多个下游深度学习任务。然而，它们的评估方法和临床效用尚未得到彻底审查。本文总结了常用的生成对抗网络和扩散模型。此外，它总结了它们在放射学领域临床任务中的效用，例如直接图像利用、病变检测、分割和诊断。本文旨在通过 1) 回顾图像生成 AI 的基本理论、2) 讨论用于评估生成图像的方法、3) 概述生成图像的临床和研究效用以及 4) 讨论幻觉问题，指导读者使用图像生成 AI 进行放射学实践和研究。关键词：生成式人工智能；生成对抗网络；扩散模型；评估指标；医学成像
在放射学中实现公平性的道德要求：交叉性和社会嵌入方式
哈佛医学院通过机器学习（ML）系统的攻击性诊断系统通常被认为是客观且公平的。但是，它可能对某些患者亚组表现出偏见。造成这种情况的典型原因是ML系统筛查的疾病特征的选择，ML系统从人类临床判断中学习，这些判断通常是有偏见的，并且ML中的公平性通常被不当概念化为“平等”。具有此类参数的ML系统无法准确诊断并满足患者的实际健康需求以及他们如何依赖患者的社会身份（即交叉性）和更广泛的社会条件（即嵌入）。本文探讨了鉴于患者的交叉性和健康的社会嵌入性，以确保ML系统的公平性的道德义务。本文提出了一组干预措施来解决这些问题。它建议对ML系统的发展进行范式转移，使他们能够筛查内源性疾病原因和患者相关潜在的健康影响（例如社会经济的情况。本文提出了一个道德要求的框架，以建立这一转变并进一步确保公平。关键字：机器学习；公平正义;道德要求；放射学I型机器学习（ML）系统在临床护理环境中发现了在医疗保健监测，诊断和风险管理中的应用（Bates＆Zimlichman，2015; Chen等，2024; Obermeyer等，2019）。但是，此光环可能没有完全合理。需求集中患者的交叉性和健康的社会嵌入性，最值得注意的是（i）通过（i）整合到ML系统中，适用于患者情况对健康影响的可测量医学指标，（ii）在道德上，多样性，代表性和正确的患者数据，与相关的疾病特征和（III）相关的社会敏感性和（III）涉及的疾病以及（III）的敏感性和（iii）涉及的数据，以及涉及的研究，并涉及社会敏感的系统，并将其涉及互联网互动，并将其涉及互联网效果。利益相关者。在放射学中，ML系统用于协助或增强临床医生在各种图像获取，分析，解释，诊断和决策支持任务中的工作（Hanneman等，2024； Yu等，2024）。这种更广泛采用的主要驱动力似乎是ML系统在图像解释和精确方面的表现（Pot等，2021; Satariano等，2023; Yu等，2024）。所谓的“自动化偏见” - 人类对自动化系统产生的信息的有效性和预测能力的倾向”（Pot等，2021，p。7） - 赋予了ML ML系统，具有对象和公平性的AURA（Pot等，20211）。对实现这些高希望的主要挑战已被证明是ML偏见系统和相关不公平结果的流行（Gichoya等，2022，2023; Hanneman等，2024; Pot et al。，2021）。ML偏见的医疗保健访问和治疗不足，引起了ML系统引起或永久存在的整体不公平性的道德问题。实证研究已系统地记录了ML偏见系统的持久性和对历史上服务不足的患者人群的不公平治疗，包括放射学（Obermeyer等，2019; Gichoya et al。，2023; Seyyed-Kalantari-Kalantari-Kalantari-Kalantari et al。等，2022； Mukherjee等人，2022年）。
光子计数检测器CT - 肌肉骨骼放射学领域的首次体验
抽象的背景Fidanacogene elaparvovec是一种基于腺相关的病毒基因基因，表达高活动性因子IX（FIX）变体FIX-R338L，是对血友病的开发B。正在进行的试验中的数据表明，固定活动在不同的OS和CS分析之间有所不同。的材料和方法可以更好地了解临床样品中的固定R338L活性，使用标准方案，试剂和仪器进行了一项国际多站点领域的研究，并在中央实验室和18个本地实验室中对1/2A阶段研究的单个参与者样本进行了研究。的结果与野生型固定控制不同，基于OS硅胶的测定与OS椭圆酸和基于CS分析，FIX-R338L活性更高。在最低活性水平上，固定活性的变化更大。血浆中激活的固定（FIXA）可能会导致更高的OS分析活性或增加的凝血酶生成，从而高估了固定活性。但是，在参与者样本中未检测到FIXA，表明它没有促进OS分析差异。由于基因治疗的个体可能会接受外源替代固定产品，因此将替换产物刺激到患者血浆样品中，以靶向治疗浓度。外源固定是内源性固定R338L的添加剂，没有固定R338L的干扰。结论这些结果表明，可以通过临床实验室中的OS和CS分析来测量FIX-R338L活性，并在测量测量
急性弥散受限性白质脑病 (ALERD) 的放射学见解：病例系列分析
摘要 目的 本研究旨在调查出现急性脑病、癫痫和发热的儿科患者中急性弥散受限白质脑病 (ALERD) 的临床和放射学特征。方法 对 2022 年 4 月至 2023 年 8 月期间在印度卡纳塔克邦达瓦讷格尔 JJM 医学院 Bapuji 医院接受磁共振成像 (MRI) 的 48 名儿科患者进行回顾性分析。纳入标准包括急性发作性脑病、发热、癫痫发作和 MRI 证据表明急性皮层下白质受累。收集并分析临床和放射学数据以描述 ALERD 特征。结果 在研究队列中，18.7% 的病例符合 ALERD 的诊断标准，主要影响平均年龄为 32 个月的男性儿童。临床表现多种多样，包括双相和单相病程。确定了两种不同的脑部受累模式，即弥漫型和中枢保留型。阐明了实验室异常和鉴别诊断，为区分 ALERD 与其他疾病提供了见解。MRI，尤其是弥散加权成像，成为诊断 ALERD 的重要工具，可显示特征性受限弥散模式。结论这项研究强调了认识到 ALERD 是一种与感染相关的独特临床放射学综合征的重要性，有助于及时诊断和治疗。了解不同的临床表现和放射学模式可提高诊断准确性，强调 MRI 在 ALERD 诊断中的作用。这些发现有助于全面了解 ALERD，促进改善患者的治疗结果和预后。
COVID-19 疫苗：放射学评估：优、劣、丑
自第一例 COVID-19 病例报告以来，已经过去了近 4 年。迄今为止，该疾病已感染近 6.5 亿人，夺走了 600 多万人的生命。该疾病深刻影响了世界的地缘政治、社会经济和公共卫生结构，并且仍在继续影响。人们很快意识到，有效的疫苗是解决这场灾难的唯一办法，在这场大流行开始后不到一年的时间里，几个研究小组就开发出了针对 SARS-CoV-2 的疫苗。2020 年 12 月开始的疫苗接种运动在数月内达到了前所未有的规模，在近两年内，全球已分发了超过 130 亿剂疫苗，68.5% 的世界人口至少接种了一剂 COVID-19 疫苗。COVID-19 疫苗已被证明是控制大流行的有效工具。但尽管 COVID-19 疫苗已被证明有效且安全，但它最初并没有
设计一个计算机辅助的诊断系统，用于心脏全面检测和放射学报告一代
抽象的胸部X射线（CXR）是用于心理评估的常规诊断工具，具有高度的成本效益和多功能性。然而，随着放射科医生评估的扫描数量越来越多，它们可能会遇到疲劳，这可能会阻碍诊断的准确性并减缓报告的生成。我们描述了计算机辅助诊断（CAD）管道启动计算机视觉（CV）和自然语言程序（NLP），该诊断（NLP）对公开可用的模拟物数据集进行了培训。我们执行图像质量评估，查看标签，基于分割的心脏肿大严重性策略，并将严重性分类的输出用于基于大语言模型的报告生成。四位认证的放射科医生评估了CAD管道的产出准确性。Across the dataset composed of 377,100 CXR images and 227,827 free-text radiology re- ports, our system identified 0.18% of cases with mixed- sex mentions, 0.02% of poor quality images (F1=0.81), and 0.28% of wrongly labelled views (accuracy 99.4%), furthermore it assigned views for 4.18% of images which have unlabelled views.对于二元心脏肥大的分类，我们实现了95.2％精度的最新性能。评估报告的语义和放射科医生的正确性的放射科医生协议为0.62（严格的协议）和0.85（放松的同意），类似于0.55（严格）和0.93（宽松）的放射科医生-CAD协议（放松）。未来的改进围绕着改进的文本生成和为其他分歧的CV工具开发。我们的工作发现并纠正了对模拟CXR数据集的几个不正确或缺失的元数据注释，并且我们的CAD系统的性能表明与人类的放射性人士相当。
介入放射学对人工智能的探索
此项目/顶点课程 - 全球访问由 USF 奖学金的所有论文、学位论文、顶点课程和项目免费和开放访问：Gleeson 图书馆 | Geschke 中心的数字存储库。它已被 USF 奖学金的授权管理员接受纳入硕士项目和顶点课程：Gleeson 图书馆 | Geschke 中心的数字存储库。有关更多信息，请联系repository@usfca.edu。
放射学研究更新 2024 年 7 月，第 30 期
资助 马里兰干细胞研究基金会向诊断放射学和核医学系的教职员工和博士后提供了多项资助： 教授 Miroslaw Janowski 博士获得了为期两年、金额为 350,000 美元的发现资助，用于研究“大脑体内基因组编辑的计算方法”。该项目将与马里兰大学帕克分校副教授 Brian Pierce 博士合作开展。其目的是将计算方法应用于基于干细胞的策略，以编辑大脑中的经典 ALS 突变。 研究助理 Chengyan Chu 博士获得了为期两年、金额为 345,000 美元的发现资助，用于研究“人类 GRP 作为药物工厂对脑小血管疾病神经炎症的局部调节”。其目标是移植经过 mRNA 改造的人类神经胶质祖细胞 (hGRP)
工业放射学的噪声源和后果
光子计数，基于直接转换或闪烁体）。他们的工业应用是由各个委员会（ASTM，CEN，ISO等）标准化的。是由X射线辐射的量子性质引起的，所有讨论的检测器都在其图像中显示出噪音。典型的噪声源是光子噪声，固定图案噪声是由检测器设计引起的，以及由物体结构和表面产生的噪声。检测器生产过程中不同的检测原理和制造局限性以不同的方式转移噪声贡献。作为结果，可以为不同的检测器建立基于可实现的图像质量的不同应用程序限制。此知识对于最佳检测器选择和暴露条件至关重要。这些不同的噪声源及其对图像质量的影响将在演讲中讨论。将从基本的检测原理开始实践外介绍，这表明在考虑图像质量方面时，每个检测原理在考虑图像质量方面时仍然具有自己的优势和缺点。关键字：数字工业放射学，图像质量，图像噪声，射线照相膜，计算射线照相，数字探测器阵列
